遙感技術是上世紀60年代時興起的一種對地面場景進行探測和解譯的綜合技術。高光譜遙感圖像的出現(xiàn),有力推進了遙感相關研究。高光譜遙感圖像不僅能夠表征地物的結構、形狀、位置關系等空間特征,而且包含表征物體特有物理材質(zhì)的光譜信息。這樣“圖譜合一”的突出優(yōu)勢,使得高光譜遙感圖像在地質(zhì)勘測、農(nóng)業(yè)監(jiān)測、城市規(guī)劃等領域起著重要作用。而高光譜遙感圖像分類作為解決以上問題的關鍵技術,一直以來都是備受人們關注且應用前景廣泛的課題。卷積神經(jīng)網(wǎng)絡憑借其隱式學習以及深度特征提取等特性,已經(jīng)在高光譜遙感圖像分類領域大放異彩。然而,卷積神經(jīng)網(wǎng)絡在訓練過程中需要輸入大量的標記樣本,高光譜遙感圖像的小樣本問題極大地限制了信息解譯的準確性。針對以上問題,本文在目前已經(jīng)存在的處理技術的基礎上,以實現(xiàn)高光譜遙感圖像全面數(shù)據(jù)增強為出發(fā)點,分別在數(shù)據(jù)數(shù)量層面以及數(shù)據(jù)質(zhì)量層面展開數(shù)據(jù)增強工作,主要研究內(nèi)容如下:（1）針對高光譜遙感圖像標記樣本數(shù)量較少,人工標記成本高等問題,采用像素塊配對的方式同時增加樣本數(shù)量以及樣本多樣性。該方法以訓練像素點為中心構建像素塊,然后將同類的像素塊以及不同類的像素塊分別兩兩配對,最終將配對后的結果輸入到... 

【文章來源】：北京化工大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【圖文】：

圖１－３論文整體結構??Ｆｉｇ．?１－３?Ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｈｉｓ?ｐａｐｅｒ??

?第二章卷積神經(jīng)網(wǎng)絡相關理論???第二章卷積神經(jīng)網(wǎng)絡相關理論??２．１深度學習的發(fā)展??深度學習是機器學習的重要分支，它在人工神經(jīng)網(wǎng)絡的基礎結構上進行了延伸與??擴展，是能夠自動學習和分析數(shù)據(jù)內(nèi)在規(guī)律和特征的算法。人工神經(jīng)網(wǎng)絡是人腦神經(jīng)??網(wǎng)絡的粗略模擬，如圖２－１所示，人腦神經(jīng)網(wǎng)絡是無數(shù)個神經(jīng)細胞組成的，神經(jīng)元在??信號傳遞過程中，起主要作用的部分是樹突和軸突，而人工祌經(jīng)元利用數(shù)學模型去模??擬真實神經(jīng)元，模型的輸入用作樹突，模型的輸出用作軸突，若將輸出連接到其他人??工神經(jīng)元，便成為了下一層網(wǎng)絡的輸入，成百上千個人工神經(jīng)元相連，便構成了人工??神經(jīng)網(wǎng)絡。??人類大腦?人腦神經(jīng)網(wǎng)絡?神經(jīng)元??，工神經(jīng)＿?人工ｔ元??圖２－１人腦神經(jīng)網(wǎng)絡的粗略模擬??Ｆｉｇ．２－１?Ａ?ｒｏｕｇｈ?ｓｉｍｕｌａｔｉｏｎ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ?ｉｎ?ｔｈｅ?ｈｕｍａｎ?ｂｒａｉｎ??深度學習通過構造多層的網(wǎng)絡結構，起初提取數(shù)據(jù)的低層次特征，隨后不斷地將??底層特征綜合和整理，組成更高級特征，最終將多層級特征組合，并選擇最有效的抽??象特征用于網(wǎng)絡學習［２８’２９］。目前已有多種優(yōu)秀的網(wǎng)絡被廣泛應用，如長短期記憶網(wǎng)絡、??生成對抗網(wǎng)絡、卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡等等，且均己被成功應用于圖像解譯、??智能控制和自然語言處理等領域。其中，在圖像分析方面，卷積神經(jīng)網(wǎng)絡己然表現(xiàn)出??卓越的優(yōu)勢。深度學習的概念可追溯到二十世紀四十年代，其發(fā)展可以概括為“兩次??低谷，三次增長”。本節(jié)簡述了深度學習以及其重要研究方向卷積神經(jīng)網(wǎng)絡的發(fā)展過??９??

?北京化工大學碩士學位論文???程，具體如圖２－２所示。??感知器不能解決亦?／??或（ＸＯＲ）問題?／??？?＿?物??咖乂?＼－Ｓ／Ａ?＾??〔９４）?Ｍ９８６１?＾００６＾＾?＾??ｍｃｐ神經(jīng)元?ｍ??數(shù)學翻?階戽１＊?ｍ．??圖２－２深度學習發(fā)展過程??Ｆｉｇ．２－２?Ｄｅｖｅｌｏｐｍｅｎｔ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ??１９４３年，美國神經(jīng)科學家ＭｃＣｕｌｌｏｃｈ和美國數(shù)學家Ｐｉｔｔｓ第一次提出人工神經(jīng)網(wǎng)??絡的概念，并依據(jù)生物神經(jīng)元的結構定義了抽象簡化版的ＭｃＣｕｌｌｏｃｈ－Ｐｉｔｔｓ?（ＭＣＰ）模??型。該模型的目的是利用計算機模擬生物神經(jīng)元的反應過程，奠定了人工神經(jīng)網(wǎng)絡的??研宄基礎＿。１９５８年，Ｒｏｓｅｎｂｌａｔｔ提出了感知器模型，該網(wǎng)絡包含兩層神經(jīng)元，依??托ＭＣＰ模型對多維數(shù)據(jù)實現(xiàn)二分類，引起了第一波人工智能（Ａｒｔｉｆｉｃｉａｌ?Ｉｎｔｅｌｌｉｇｅｎｃｅ，??ＡＩ）學習浪潮［３１］。然而，１９６９年，美國數(shù)學家Ｍｉｎｓｋｙ證明了感知器是一種線性模型，??僅能處理線性問題，甚至連簡單的亦或（ＸＯＲ）都不能解決。自此，淺層人工神經(jīng)網(wǎng)??絡的研究陷入了低谷。２０世紀８０年代初，研究發(fā)現(xiàn)可以通過增加網(wǎng)絡的深度以實現(xiàn)??非線性功能。另外，１９８６年，適用于多層感知器的反向傳播算法（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ，??ＢＰ）被提出，該方法通過誤差反向逐層傳遞的方式有效解決了非線性分類問題，同時??引起了人工神經(jīng)網(wǎng)絡的第二次研究熱潮［３２］。然而，１９９１年，研究發(fā)現(xiàn)ＢＰ算法存在梯??度消失問題，也就是說，存在誤差梯度逐層傳到前層時幾乎為零的情況，大大限制了?

【參考文獻】：
期刊論文
[1]高光譜遙感圖像空譜聯(lián)合分類方法研究[J]. 李鐵,孫勁光,張新君,王星.  儀器儀表學報. 2016(06)
[2]加權空-譜與最近鄰分類器相結合的高光譜圖像分類[J]. 黃鴻,鄭新磊.  光學精密工程. 2016(04)
[3]基于空間約束加權條件稀疏表示高光譜圖像分類[J]. 陳善學,屈龍瑤,胡燦.  系統(tǒng)工程與電子技術. 2016(02)
[4]冷色調(diào)圖像的灰度化及其客觀評價方法[J]. 徐曉慶,王亦紅.  計算機工程與設計. 2014(08)
[5]高光譜遙感圖像最大似然分類問題及解決方法[J]. 李慶亭,張連蓬,楊鋒杰.  山東科技大學學報(自然科學版). 2005(03)

碩士論文
[1]基于深度學習的圖像分類的研究[D]. 閆蕾芳.山東大學 2017
[2]基于深度學習的高光譜圖像分類算法的研究[D]. 王凡.中國科學技術大學 2017



本文編號：3038780